数据质量：跨渠道营销的必谈议题

如今，数据已成为营销活动中无可争议的关注点。有效营销活动的基础是高质量的数据，但并非所有数据都是优质的。

如果品牌依旧沿用之前互联网野蛮生长时期的定式思维，大量收集庞杂的数据，重“量”而不重“质”，那不管收集了多少数据，采用了何种分析方法或是拥有多少行业经验，都无法真正发挥数据的力量。因为基于低效数据做出的业务决策可能会让品牌付出昂贵的代价，结果不仅仅是简单地浪费营销预算，还可能损害品牌的声誉和形象。

根据Experian近期的一份行业报告指出，在全球范围内的品牌所收集的数据中，有将近三分之一都是不准确的；同时有7成的企业表示他们很难获取到直接影响营销策略的重要数据——即顾客体验相关数据。

在可预见的未来，品牌的营销活动对高质量数据的需求还会持续增长。现今顾客与品牌的互动普遍存在于多个渠道和触点上，如何利用数据来为顾客提供前后一致的体验对品牌的发展至关重要。 

那么，到底该如何获取高质量的数据呢？

一、如何评估数据质量？

评估数据质量需要时间，精力与正确的工具。Marketer们不仅需要利用一些传统的衡量维度来考量数据，还要把数据放到应用语境中进行分析，来确保这些数据可以解决一些实际的业务需要。如果需要更显著的效果，Marketer们需要对数据进行更深的挖掘并且考虑更新数据优化标准。

一般来说，我们可以通过以下9个关键指标来衡量数据的质量。

1、数据隐私性（Privacy）

首先，注重顾客的隐私是数据驱动营销的基础。营销活动的本质是实现商业组织与消费者之间有效的双向沟通。美国公共关系协会PRSA的研究表明，沟通的效果与“可信度、逻辑和情感共鸣”这三点息息相关。其中，可信度便是沟通能够顺利进行的首要条件。如果品牌无法处理好顾客对隐私的顾虑，营销活动的最终效果可能也将大打折扣。

品牌在收集使用顾客信息时，应当向顾客展示自己有根据相关法律规定保证了他们必要的隐私安全。确保让顾客浏览隐私政策，并且有清晰的退出选项。

2、准确性（Accuracy）

品牌可以通过 Truth-Set File（ Truth-Set File指品牌的数据库中已经证实的描述某类型顾客的真实数据集，可称为“真值集合”）来评估比较品牌收集到的数据的准确程度，从而保证品牌能够在后续的活动中，在准确的时间，通过有效的渠道，向合适的受众推送有价值的内容。一般来说，数据库中包含已有的历史数据和通过计算得到的推断数据。而推断数据的准确度有待验证，它可能恰好是符合品牌需要的数据，也可能与品牌预期的结果大相径庭。

品牌应该使用经过多方验证的数据。当针对收集来的数据有疑问时，可以通过对比多个Truth-Set File来进行验证，以降低数据偏差的概率（在保证Truth-Set File准确性的前提下）。

3、完整性（Coverage）

数据集的完整性水平代表对数据收集目标的覆盖率，以及每条记录信息的详尽程度。空有覆盖率但缺少详细信息的数据集是没有太多实际价值的。例如，品牌若想要实现跨渠道间无缝的顾客体验，除了需要基本的姓名和手机号外，还应该包括更多渠道和特定的顾客信息（如浏览内容、浏览频率、与品牌的互动行为的种类和频率，兴趣等）从而形成标签。举个例子，母婴类的品牌可以收集顾客通过小程序和H5等页面参加品牌的小游戏，抽奖等活动的频率和在社区发言的数量来给顾客打上“高互动”，“低互动”，“不互动”等标签，从而在未来的营销活动中进行定制化沟通。通过这将提升品牌在跨平台触点上对顾客的识别度，更高效地进行跨渠道营销。

4、颗粒度（Granularity）

简单地说，颗粒度代表了数据集的详细与清晰程度。数据的颗粒度越高，表示细节越详尽，越有助于了解事实的全貌。例如，品牌可以追踪到自己的顾客浏览了竞品（假设颗粒度为1），在颗粒度更高的数据里，品牌可以了解到顾客浏览了竞品的明星产品的信息（颗粒度为2），而且是其最新的促销活动信息（颗粒度为3），这个活动展示的价格是本品牌同类产品价格的80%（颗粒度为4），以此类推。这样，品牌可以灵活地组合调用不同的数据元素段，以满足不同情境下的业务需求。

5、时效性（Timeliness）

时效性反映了在事件实际发生的时间与品牌获取可用的相关数据之间的时间差。例如，消费者在品牌门店的实际交易发生的时间是下午1:00，而品牌系统捕捉并记录该交易的时间是下午1:05，其中的5分钟就是时间差。在大多数情况下，数据更新得越快越好， 所以了解数据的更新频率非常重要。

针对不同类型的消费者，时效性对品牌使用数据时的影响会有不同，每个品牌对于时效性也有自己的定义。例如在金融、市场交易等场景下，时效性就是一个高权重的因素了。品牌应该定期查看数据库里的记录，对比从收到数据（时间戳）和事件实际发生的时间，从而对数据时效性有一个把握，最终的目标是尽可能地缩短接收信息过程中的延迟。

6、连续性 （Consistency）

连续性要求信息在每次调用或观察中持续存在并准确。例如，当某保险公司通过数据分析来了解一名保险投保人的风险情况，会需要个人贷款额度、年龄和住房面积等信息，而这些数据必须在整个分析过程中保持一致并准确。对于需要稳定变量的模型，数据的连续性是非常重要的。

7、预测能力（Predictive Power）

这或许是评估过程的基石，与数据的表现直接相关。这一环节的重点，在于品牌透过高阶的数据分析技巧来了解什么样的数据会成功引导顾客进行正向的品牌互动，或是什么样的信息可能催生出特定的顾客行为（如添加购物车，撰写评论等)。使用能够均衡反映数据的深度、广度、多样性和独特性的模型，才能让品牌的活动效果提升到极致。

8、全域激活（Omnichannel Activation）

跨渠道策略的目的是让顾客能够在品牌的所有触点上通过一致的身份与品牌互动，从而构建流畅完整的品牌体验。换句话说，是要让数据能够无断点地在各渠道间流通使用，促成传统渠道与数字渠道之间的融合，以便更好地满足顾客的需求。在这一环节，数据应当在品牌的所有接入的渠道和平台上都保持统一的规模与精细度。

9、实用性（Usefulness）

这一指标反映了数据能够实现的业务目标，或是能够提供的商业价值的水平。其衡量方法非常简单，直接根据分析信息进行测试并记录反馈效果即可。

例如，品牌在对预上线的营销活动进行多因子测试（Multifactor Test）时，可以设置不同数量或类型的变量环境来记录数据表现，方便为后期的活动提供优化方案。此外，收集来自顾客群体的反馈也很重要——有的顾客会表示自己的品牌体验得到了提升，而这便是直观地反映了特定数据带来的影响。

二、将数据质量评估付诸实践

品牌进行数据质量评估的目的，是利用准确的数据洞察与符合品牌业务目标的受众建立联系，引导他们做出品牌期望的行为，最终提升营销回报。换句话说，脱离实际案例空谈数据质量是没有意义的。像在实际操作过程中，虽然隐私性和准确性无论在何种情况下都应该是首要考虑因素，但其他维度指标的重要性在解决不同业务问题时所占的比重也有所不同。

例如，当品牌需要建立一个分析模型时，数据连续性对稳定的变量环境至关重要。另一方面，对于数据湖（Data Lake）和AI应用来说，数据完整性和颗粒度指标才是评估的重点。简言之，品牌应该始终考虑如何优化使用数据的流程，以及在不同应用场景下，给予相应指标更多的权重。

三、写在最后

得益于商业活动线上化的快速发展，越来越多的品牌正在通过数据进行营销、产品开发和财务等方面的决策， 如何高效利用数据洞察来获取竞争优势与稳定的盈利能力逐渐成为行业内的重要议题。

Epsilon相信数据的价值。在中国，Epsilon致力于和品牌展开深入合作，帮助他们建立以数据为驱动的精准营销解决方案，以及持续的评估与优化服务；通过评估数据质量，品牌可以利用优质数据打造更好的品牌服务和体验，培养长期稳定的忠诚顾客，最终提升营销回报。